بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
پیش بینی ارتفاع موج در سواحل نوشهر به روش شبکه عصبی و مقایسه آن با روش SPM
چکیده
مشخصات امواج ناشی از باد برای انجام هرگونه پروژه مهندسی ساحل و دریا نظیر طراحی بنادر، سازه های ساحلی و دریایی، تخمین میزان انتقال رسوب و فرسایش ساحل مورد نیاز می باشد. با توجه به اینکه مشخصات امواج در نقاط بسیاری ثبت نشده است، اطلاعات مورد نیاز معمولا با بهره گیری از روش های پیش بینی امواج تولید می شود. با توجه به اینکه با محاسبات انجام شده در تحقیقات گذشته در سواحل نوشهر توسط نویسندگان این مقاله، روش SPM به عنوان بهترین روش انتخاب شده است، این تحقیق به مقایسه این روش با ابزار محاسبات نرم یعنی شبکه های عصبی پرداخته است. شبکه های عصبی شامل واحد هایی هستند که بر اساس نرون های بیولوژیکی مدل شده اند. برای مقایسه بهتر، ارتفاع موج را در دوحالت محدودیت موجگاه و محدودیت زمان و همچنین در دو حالت سرعت اصلاح شده و تنش سرعت با هر دوروش محاسبه شده است. نتایج نشان دادند که شبکه های عصبی در حالت محدودیت موجگاه و در حالت تنش سرعت بهترین نتیجه را می دهند. بنابر این بهتر است در منطقه نوشهر به جای روش های نیمه تجربی از روش شبکه های عصبی مصنوعی با تنش سرعت استفاده شود.
واژههای کلیدی: پیش بینی، ارتفاع موج، شبکه عصبی، SPM، بندر نوشهر
-1 مقدمه
موج یکی از مهم ترین پدیده های قابل مشاهده و اندازه گیری در دریا است که در اثر نیرو های وارد بر آب به وجود می آید. این نیرو ها شامل تغییرات فشار هوا، زلزله، گرانش زمین و اجرام آسمانی، نیروی کوریولیس (در اثر چرخش زمین) و کشش سطحی است. خصوصیات امواج بستگی به عامل به وجود آورنده آن ها دارد و برای تحلیل امواج در ابتدا باید عامل به وجود آورنده آن ها شناخته شود. امواج ناشی از باد، بیشتر از سایر انواع موج در آب ها مشاهده می شوند.
پیش بینی امواج از این لحاظ لازم است که طراحی ایمن و اقتصادی سازه های دریایی و ساحلی مستلزم شناخت و تعیین مشخصات امواج می باشند. مهندسین این سازه ها را برای مقاصد گوناگونی طراحی و اجرا می کنند. موج شکن ها و اسکله ها در بنادر و لنگر گاه ها به منظور پهلوگیری آرام و مطمئن کشتی ها ساخته می شوند. دیوار های دریایی و آب شکن ها به منظور حفاظت ساحل به کار برده می شوند و سکو های دریایی برای استخراج منابع نفت و گاز زیر دریا ها به کار برده می شوند. همه این سازه ها می بایست در محیط دریا و در شرایط طوفانی
1
قادر به ایفای نقش خود بوده و برای اطمینان یافتن از این موضوع لازم است تا عوامل محیطی که مهمترین آنها امواج هستند، شناخته شوند. [6]
در دهه های اخیر روش های ساده ای برای پیش بینی ارتفاع امواج ارائه شده است. روابط تجربی پیش بینی ارتفاع موج معمولا برای تخمین اولیه مشخصات امواج محلی در مناطقی که هندسه نسبتا ساده ای دارند، مورد استفاده قرار می گیرند. این روش ها که بر مبنای تحلیل ابعادی ارائه شده اند، معمولا ارتفاع و پریود موج شاخص و یا پریود طیف را بر اساس پارامتر های ورودی نظیر سرعت باد، طول موجگاه و زمان تداوم وزش باد محاسبه می کنند. [21]
یکی از روش هایی که در دهه های اخیر در مدل سازی سیستم های پیچیده از جمله مهندسی سواحل مورد استفاده قرار گرفته است، روش های ابزار محاسبات نرمٌ می باشند. این روش ها ممکن است مبتنی بر شبکه عصبیٍ، سیستم استنباط فازیَ و یا ترکیب سیستم استنباط فازی با الگوریتم بهینه سازی نظیر شبکه عصبی و الگوریتم ژنتیک باشد. استفاده از این روش ها مبتنی بر اصول یادگیری و بهینه سازی پارامترها و سپس استفاده از آن در موارد مشابه می باشد. در گذشته چندین مطالعه در زمینه به کارگیری ابزار محاسبات نرم در پیش بینی امواج انجام شده است. [3]
-2 منطقه مورد مطالعه
بندر نوشهر در جنوب دریای خزر و یکی از مهم ترین بنادر ایران می باشد. طبق اطلاعات پایگاه داده مشخصه های دریایی، بویه موج نگار نوشهر در فاصله 6 کیلومتری بندر قرار دارد و در مختصات جغرافیایی 36 درجه و21 دقیقه شمالی و 12 درجه و 33 دقیقه شرقی می باشد. داده های مورد نیاز برای به انجام رساندن تحقیق برای اجرای مدل نیمه تجربی موج و شبکه های عصبی شامل داده های باد، طول موجگاه و همچنین خصوصیات
هندسی منطقه مورد نظر است. [21]
شکل -1 سواحل نوشهر وبندر واقع در آن
1-2 تعیین طول موجگاه
داده های مربوط به طول موجگاه در منطقه با استفاده از نرم افزار Google earth بدست آمده است. این برازش برای زاویه 1 درجه صورت گرفته است. اطلاعات باد مورد استفاده شده در این تحقیق از ایستگاه هوا شناسی و بویه قرار گرفته شده نوشهر بدست امده است. بویه اندازه گیری نوشهر اطلاعات باد و موج را در بازه های 2 ساعته برداشت کرده است. بویه در ارتفاع 1 متری نسبت به سطح دریا سرعت و جهت باد را برداشت کرده است. نمونه ای از تصویر ماهواره ای استفاده شده در طول بادگیر در شکل 1 مشاهده می شود.
2
شکل -2 نمونه ای از تعیین طول بادگیر
2-2 محاسبه زمان تداوم وزش باد
زمان تداوم وزش باد یکی از پارامتر های اصلی در تولید و رشد موج می باشد. برای محاسبه زمان تداوم باد از تعریف باد ثابت استفاده می شود. برای مدل ُSPM، سرعت و جهت باد برای باد ثابت به این گونه است که ساعت های متوالی که باد محدود به تغییر سرعت متر بر ثانیه و تغییر جهت باشد. در مورد تغییر جهت نیز محدود به 21 درجه شده است. در این پژوهش از زمان تداوم 6 ساعت استفاده شده است. [2]
-3 روشهای پیش بینی امواج
1-3 شبکه های عصبی مصنوعی
هوش مصنوعی یکی از حوزه های بین رشته ای و پرکاربرد است و شاخه های بسیاری را مانند شبکه های عصبی مصنوعی شامل می شود. شبکه های عصبی مبتنی بر ایده ای است که در آن با استفاده از مدل های ریاضی و توان کامپیوتر برخی از جنبه های ساده مغز انسان شبیه سازی می شود. شبکه های عصبی به صورت یکی از بخش های پیچیده مغز انسان، به عنوان یک ساختار یادگیری غیر قابل درک، مشهور شده است. این ساختار پیچیده از مجموعه ای از نرون ها به وجودآمده است که خود نرون ها ساختار ساده ای داشته، لذا شبکه اتصال این نرون ها وظایف یادگیری های پیچیده ای را به انجام می رساند. لذا شناخت و درک ساختار بیولوژی مغز انسان می تواند ما را در ایجاد شبکه های عصبی مصنوعی به عنوان یک ابزار کارا در حل مسائل و کاربرد های علمی و فنی یاری رساند. یکی از کاربرد های بارز شبکه های عصبی مصنوعی در عملیات های داده کاوی می باشد تا آن جا که حوزه های، تحت عنوان داده کاوی بر مبنای شبکه های عصبی به وجود آمده است. [2]
به دلیل ساختار معماری خاص و الگوریتم های شبکه های عصبی، کلیه مشخصه های مقداری در مدل این شبکه ها می بایست به صورت استاندارد تبدیل شوند. برای متغیر های کمی پیوسته از روش های مناسب نرمال سازی داده ها مانند روش ذیل استفاده می شود: [2]
برای استفاده از شبکه های عصبی جهت عملیات داده کاوی بایستی مراحل زیر تشکیل گردد:
· تعیین ویژگی های ورودی و خروجی
· تبدیل مقیاس متغیر های ورودی و خروجی به فاصله 3 تا 2
3
· در نظر گرفتن یک شبکه مناسب با ساختار مساله
· آموزش شبکه به وسیله مثال های موجود
· اندازه گیری عملکرد شبکه با یک مجموعه آزمایشی که قبلا استفاده نشده است
· استفاده از مدل ایجاد شده در شبکه عصبی برای پیش بینی
به طور کلی شبکه های عصبی 3 نوع پیش بینی انجام می دهند که عبارتند از: .2 پیش بینی مسائل خطی .1 پیش بینی مسائل شبه خطی
.3 پیش بینی مسائل غیر خطی
2-3 مدل SPM
یکی از روش های تجربی پیش بینی ارتفاع موج، SPM می باشد. با توجه به محاسبات صورت گرفته در پیش بینی ارتفاع امواج به وسیله ی روش های تجربی در سواحل نوشهر که توسط نویسندگان این مقاله صورت گرفته، مدل SPM به عنوان بهترین روش تجربی شناخته شده است. [1] مدل تجربی پیش بینی امواج که در کتاب راهنمای حفاظت ساحلی در سال 2892 ارائه شده است بر گرفته از روش طیفی جانسواپ می باشد. طبق این مدل ابتدا باید زمان تداوم واقعی باد مورد نظر، طبق رابطه (1) محاسبه گردد. [21]
(1)
که زمان تداوم لازم برای ایجاد حالت محدودیت طول موجگاه بر حسب ثانیه، طول موجگاه بر حسب متر و برابر
متر بر مجذور ثانیه می باشد. اگر زمان تداوم واقعی بزرگتر از زمان تداوم محاسبه شده توسط رابطه (9) باشد، رشد موج، توسط طول موجگاه محدود می شود و طبق روابط (3) و (2) می توان ارتفاع و پریود موج شاخص را بدست آورد. [21]
(3)
(2)
که ارتفاع موج شاخص بر حسب متر و پریود قله طیف بر حسب ثانیه می باشد. در صورتی که زمان تداوم
واقعی کوچک تر از زمان تداوم محاسبه شده توسط رابطه (1) باشد، رشد موج توسط زمان تداوم محدود می گردد. برای استفاده از این مدل اصلاحاتی را باید بر روی سرعت باد اندازه گیری شده انجام شود.
الف) اصلاح تراز اندازه گیری: در این مدل سرعت باد اندازه گیری شده در تراز 23 متری نسبت به سطح دریا استفاده می شود. برای اصلاح سرعت باد از رابطه (1) استفاده می شود. که Z ارتفاع محل اندازه گیری سرعت باد می باشد. [21]
(1)
ب) اصلاح پایداری: در شرایطی که اختلاف دمای آب و هوا صفر باشد، لایه مرزی هوای روبه آب به صورت پایدار می باشد و نیازی به اصلاح سرعت باد نیست. در حالتی که دمای هوا کمتر از دمای آب باشد لایه مرزی به صورت ناپایدار در می آید و اثر اعمالی باد بر آب دریا افزایش می یابد و بدین ترتیب ارتفاع موج نیز افزایش می یابد. با توجه به نمودار 3 اصلاحات مربوط به مکان اندازه گیری انجام نمی شود، چون سرعت باد توسط بویه درون آب بدست آمده است. [21]
4
شکل -3 نمودار اصلاح پایداری
ج) ضریب پسا: در مدل SPM بجای استفاده از سرعت باد، از فاکتور تنش باد استفاده می شود. بدین ترتیب پس از انجام اصلاحات فوق می بایست با استفاده از رابطه (6) سرعت باد را به فاکتور تنش باد تبدیل نمود. که U سرعت باد بر حسب متر بر ثانیه و فاکتور تنش باد می باشد. [21]
(6)
-4 ارزیابی روش های پیش بینی امواج
برای ارزیابی روش های مختلف از اطلاعات مختلف هواشناسی و موج نگاری ثبت شده در بندر و سواحل نوشهر استفاده شده است. این اطلاعات در دوره زمانی 1 ماهه در سال 1323 توسط دستگاه موج نگار نوشهر ثبت شده است.
برای محاسبه ی میزان خطای روش های مختلف پیش بینی امواج و مقایسه ی آن ها با یکدیگر از پارامتر جذر متوسط مربع خطا ها و ضریب همبستگی استفاده شده است. پارامتر های جذر متوسط مربع خطا ها و ضریب همبستگی از روابط زیر محاسبه می گردد. [1]
در روابط فوق ارتفاع موج محاسبه شده توسط مدل و ارتفاع موج اندازه گیری شده توسط دستگاه موج
نگار می باشد. در این روابط به ترتیب میانگین ارتفاع موج محسباتی توسط مدل و میانگین ارتفاع موج اندازه گیری شده توسط بویه و n تعدا کل داده ها می باشد.
برای ارزیابی و مقایسه روش های پیش بینی امواج، مقادیر خطا برای حالات محدودیت طول موج گاه و محدودیت زمان تداوم محاسبه شده است تا مشخص شود که در هر یک از شرایط کدام روش با کمترین خطا پارامتر های موج را محاسبه می کند.
1-4 الگوسازی پیش بینی ارتفاع موج به روش شبکه عصبی
برای ایجاد شبکه و انجام فر آیند های آموزش، صحت سنجی و انتخاب بهترین الگو، از جعبه ابزار برازش نسخه MATLAB شبکه عصبی که در جدیدترین نسخه a نرم افزار 1339 به بعد ارائه شده است، استفاده گردید. جعبه ابزار مذکور بر اساس نتایج آخرین تحقیقات به عمل آمده از کاربردهای شبکه عصبی مصنوعی، معماری شبکه عصبی را برای حل مسائل برازش چند بعدی، شبکه دو لایه پیشخور با الگوریتم آموزشی پس انتشار خطای
5
لیون برگ- مارکاردِ با یک نرون و تابع انتقال خطی در لایه دوم ( خروجی) و همچنین پیش فرض 22 نرون (با قابلیت تغییر از 0 تا(9999 نرون و تابع انتقال تانژانت سیگموئید در لایه اول (پنهان)، پیشنهاد می نماید.[15] در این روش داده های ورودی و خروجی به صورت تصادفی به سه دسته آموزشی، صحت سنجی و آزمون تقسیم می شوند. البته تعداد داده ها در هردسته توسط کاربر مشخص می شود. به منظور انتخاب بهترین ساختار شبکه برای هر الگو می توان از تغییر در تعداد نرون های لایه اول (پنهان) و یا آموزش مجدد شبکه بهره جست و نتایج شبکه ها را بر اساس معیارهای سنجش داخلی نرم افزار شامل میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) مورد ارزیابی قرار داد.[3] در تحقیق حاضر با توجه به اینکه الگوهای مختلف با همدیگر مقایسه خواهند شد برای تعیین بهترین ساختار برای هر الگو از روش آموزش مجدد (تغییر در انتخاب تصادفی دسته ها) استفاده شده و تعداد نرون ها در لایه اول ثابت نگه داشته شده است. همچنین در تمامی الگوها، 02 درصد داد ه ها به عنوان داده های آموزشی، 12 درصد داد ه ها به عنوان داد ه های صحت سنجی و 22 درصد داده ها به عنوان داده های آزمون انتخاب شده است.
